| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究的目的及意义 | 第8-9页 |
| 1.2 通信调制模式识别的总体研究现状分析 | 第9-12页 |
| 1.2.1 信号特征提取方法的研究现状 | 第9-10页 |
| 1.2.2 调制方式分类算法的研究现状 | 第10-12页 |
| 1.3 本论文的主要内容和章节安排 | 第12-14页 |
| 第二章 通信调制模式识别的基本原理 | 第14-24页 |
| 2.1 模拟调制信号 | 第14-17页 |
| 2.1.1 幅度调制原理 | 第14-16页 |
| 2.1.2 角调制原理 | 第16-17页 |
| 2.2 数字调制信号 | 第17-20页 |
| 2.3 通信调制模式识别的总体模型 | 第20-23页 |
| 2.3.1 信号预处理 | 第21-22页 |
| 2.3.2 信号的特征提取 | 第22页 |
| 2.3.3 分类识别 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 通信调制模式识别中的信号特征提取方法 | 第24-30页 |
| 3.1 信号特征提取方法概论 | 第24-25页 |
| 3.1.1 基于时频分析的特征提取 | 第24页 |
| 3.1.2 基于高阶累积量的信号特征提取 | 第24-25页 |
| 3.1.3 通信调制模式识别中其他的特征提取方法的应用介绍 | 第25页 |
| 3.2 信号特征提取的实现 | 第25-29页 |
| 3.2.1 特征提取原理介绍 | 第26-27页 |
| 3.2.2 特征参数的说明 | 第27-29页 |
| 3.3 本章小结 | 第29-30页 |
| 第四章 通信调制模式识别中的调制识别算法 | 第30-46页 |
| 4.1 调制识别算法的概况 | 第30页 |
| 4.2 基于决策树理论的分类算法 | 第30-33页 |
| 4.2.1 决策树原理详述 | 第30-31页 |
| 4.2.2 决策树算法在通信调制模式识别中的实现 | 第31-33页 |
| 4.3 基于支持向量机（SVM）的分类算法 | 第33-38页 |
| 4.3.1 SVM 原理详述 | 第33-36页 |
| 4.3.2 支持向量机（SVM）在通信调制模式识别中的实现 | 第36-38页 |
| 4.4 基于神经网络的分类算法 | 第38-44页 |
| 4.4.1 神经网络原理详述 | 第38-43页 |
| 4.4.2 神经网络算法在通信调制模式识别中的实现 | 第43-44页 |
| 4.5 本章小结 | 第44-46页 |
| 第五章 基于混沌粒子群优化算法的调制识别分类器的设计 | 第46-60页 |
| 5.1 粒子群（PSO）算法 | 第46-48页 |
| 5.2 基于混沌优化的粒子群算法 | 第48-50页 |
| 5.2.1 混沌优化技术 | 第48-49页 |
| 5.2.2 基于混沌优化的粒子群算法的实现 | 第49-50页 |
| 5.3 基于混沌粒子群优化算法的决策树 SVM 的分类器实现 | 第50-54页 |
| 5.3.1 决策树 SVM 算法实现 | 第51-52页 |
| 5.3.2 基于混沌粒子群的决策树 SVM 的模型结构 | 第52-53页 |
| 5.3.3 基于混沌粒子群的决策树 SVM 的算法实现 | 第53-54页 |
| 5.4 仿真分析 | 第54-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 研究生期间发表的论文 | 第65-66页 |
| 致谢 | 第66-67页 |
| 详细摘要 | 第67-71页 |
